Изкуственият интелект не е близо до излекуването на рака. Този стартъп твърди, че знае какво ще е необходимо.

Биотехнологичен стартъп, наречен Vivodyne, твърди, че индустрията за откриване на лекарства с помощта на изкуствен интелект има проблем с данните и че е създал машина, която да го реши.

HIVE — модулни роботизирани лаборатории, разработени от компанията — могат да отглеждат 20 вида човешка тъкан, след което автономно да им прилагат вещества и да ги наблюдават, генерирайки вида причинно-следствени биологични данни, които липсват на днешните модели с изкуствен интелект — данни, които днес се получават предимно от тестове върху животни или изследвания на отделни клетки и протеини, а не на жива тъкан.

„Без изпитвания върху хора какво ще правят тези [AI] модели?“ пита Андреи Георгеску, главен изпълнителен директор и съосновател на Vivodyne. „Ще лекуват рак при мишки.“

Дори главният изпълнителен директор на Anthropic Дарио Амодеи написа през уикенда, че твърденията, че изкуственият интелект ще излекува рака, са станали по-скоро клише, отколкото достоверни — „това, което ще проработи, е действителното излекуване на рака“, както се изрази той.

За да бъдем справедливи, идеята, че изкуственият интелект ще излекува рака, е нещо, което самият Амодеи е споменавал в предишни свои есета; Сам Алтман многократно е посочвал лечението на рака като обосновка за стремежа на OpenAI към AGI и изграждането на все по-големи изчислителни мощности; а Демис Хасабис от Google DeepMind каза миналата година, че изкуственият интелект потенциално би могъл да излекува всички болести в рамките на едно десетилетие.

Действителните резултати остават скромни. Няколко лекарства, разработени с помощта на изкуствен интелект, са преминали към изпитвания върху хора — едно от тях дори е достигнало до фаза III, тоест мащабни изпитвания върху хора — но реалността е, че пречките не са непременно такива, които изкуственият интелект може да преодолее днес.

Носителят на Нобелова награда AlphaFold беше голям пробив в разбирането на градивните елементи на живота, но все още не е довел до създаването на ново лекарство. Isomorphic Labs, основана с цел да надгради AlphaFold, очаква първите си изпитвания — първоначално планирани за 2025 г. — до края на тази година. През февруари компанията написа, че същинското откриване на лекарства ще изисква „високоточни прогнозни модели, обхващащи широк спектър от биохимични свойства и взаимодействия“.

Георгеску казва, че секторът се нуждае от „проверка на реалността“ — че съществуващите модели не разполагат с данните, необходими, за да уловят сложността на човешката биология. Това е предизвикателство, пред което вече е изправена фармацевтичната индустрия, където 90% от лекарствата, показали ефективност при тестове върху животни и преминали към клинични изпитвания, не получават регулаторно одобрение за употреба при хора.

Планът на Vivodyne е различен. Vivodyne беше отделена като самостоятелна компания от Университета на Пенсилвания през 2021 г., след като Георгеску получи докторска степен по биоинженерство там. Компанията твърди, че нейните тъкани до голяма степен съответстват на поведението на реалните човешки органи — че чернодробните ѝ клетки имат 94% прогностична точност в сравнение с изпитвания върху хора за токсичност, тъканта на дихателните ѝ пътища съответства на поведението на реална човешка тъкан в 96% от случаите, а костният ѝ мозък е постигнал 100% съответствие при тестове на 20 различни химиотерапевтични лекарства.

Миналата седмица компанията, която е набрала малко под 80 милиона долара в два инвестиционни рунда, водени от Khosla Ventures, откри недалеч от Сан Франциско това, което нарича най-големия в света „център за човешки данни“, а Георгеску казва, че екипът му вече постига два пъти по-голяма пропускателна способност от всички провеждани в САЩ изпитвания върху животни.

Идеята е пътят на кандидат-лекарствата да бъде ускорен чрез по-добро предвиждане кое ще проработи, преди да се премине към клинично изпитване, което обикновено струва десетки милиони долари. Макар да не назовава публично партньорите си, Vivodyne казва, че работи с няколко големи фармацевтични компании по решаването на проблем, който Георгеску сравнява с краш тестовете в автомобилната индустрия: Обикновено автомобилният производител е уверен, че колата му ще отговори на изискванията на NHTSA, преди да я подложи на изпитване, но производителите на лекарства рядко имат същата увереност, когато започват клинично изпитване, при което огромното мнозинство от лекарствата не успяват да получат одобрение от FDA.

Но съществува и по-мащабна визия: Георгеску вижда автономните си биологични лаборатории като ключ към генерирането на вида причинно-следствени данни, които могат да се използват за обучение на нови модели на човешката биология. Той посочва изследвания като това, публикувано миналия месец в Nature Methods, което установява, че при обучаването на генеративни AI модели със съществуващи клетъчни данни няма ясни закони за мащабиране на данните.

„Цялото обучение се извършва върху статични снимки на тези клетки, а моделите изобщо не са обусловени от това как дадена клетка е достигнала до състоянието си“, каза Георгеску пред TechCrunch. „С други думи, моделът научава „това е клетъчно състояние A“, „това е клетъчно състояние B“, но никога не научава, че „клетъчно състояние B е резултатът от възпаляването на клетъчно състояние A“.“

Машините HIVE на Vivodyne обаче проследяват стотици хиляди текущи експерименти, при които болна тъкан се излага на определен стимул, което според Георгеску ще осигури вида обучение с подкрепление, необходимо за създаването на AI модели, които разбират човешката биология достатъчно добре, за да постигнат по-съществен напредък в здравеопазването.

Георгеску вярва, че това ще бъде от ключово значение не само за днешните предизвикателства пред медицината, но и за бъдеще, в което сложните заболявания ще изискват лекарства, които — за разлика от мнозинството налични днес — въздействат на множество биологични пътища.

„Ако искаме комбинирани терапии, пространството, което трябва да бъде изследвано, се разраства експоненциално — това не може да бъде експериментален подход“, каза той пред TechCrunch. „Трябва да кажете: „Искам да се случи този ефект, така че каква причина трябва да предизвикам?“ Установяването на причинно-следствени връзки в човешката биология е основата на всичко това.“